研究人员利用扩散模型实现多焦点图像融合

多焦点图像融合(MFIF)是一种图像增强技术，有助于解决景深问题并捕获全焦点图像。能够有效扩展光学镜头的景深，具有广阔的应用前景。

近年来，深度学习MFIF方法显示出相对于传统算法的优势。然而，人们越来越关注日益庞大和复杂的网络结构、增益模块和损失函数，以提高算法的融合性能。

中国科学院(CAS)苏州生物医学工程技术研究所(SIBET)付伟伟领导的研究小组重新思考了图像融合任务，并将其建模为条件生成模型。

研究人员将当前的扩散模型与图像生成领域的最佳效果相结合，提出了一种基于扩散模型的MFIF算法，称为FusionDiff。他们的研究结果发表在《专家系统与应用》杂志上。

这是该扩散模型在MFIF领域的首次应用，研究人员表示，这为该领域的研究提供了一种新的思维方式。

实验表明，FusionDiff在图像融合效果和少样本学习性能方面优于传统MFIF算法。

“此外，FusionDiff是一个少样本学习模型，这意味着它不需要太多努力来生成大型数据集，”Fu说。

Fu表示，FusionDiff实现的融合结果独立于大量训练数据。“它实现了从数据驱动到模型驱动的转变，”他说。

他们的研究表明，FusionDiff只需使用其他算法2%的训练数据即可实现与其他算法相同质量的融合结果。傅说，这显着降低了融合模型对数据集的依赖性。